我試圖使用sklearn庫在Python中的大型稀疏矩陣中分解組件（矩陣分解）中的信號。在Python中使用稀疏矩陣執行分解
我利用scipy的scipy.sparse.csc_matrix來構建我的數據矩陣。但是，我無法執行任何分析，如因子分析或獨立成分分析。我唯一能做的就是使用truncatedSVD或scipy的scipy.sparse.linalg.svds並執行PCA。
有沒有人知道在python的稀疏矩陣上做ICA或FA的任何變通？任何幫助將非常感激！謝謝。
即使輸入矩陣是稀疏的，輸出也不會是稀疏矩陣。如果系統不支持稠密矩陣既不結果將不被支持
它通常是best practice使用coo_matrix建立矩陣，然後使用.tocsc()操縱它轉換。
鑑於：
M =UΣV^ T
與SVD的缺點是，矩陣U和V^T是緻密的基質。輸入矩陣稀疏並不重要，U和T將是密集的。另外，SVD的計算複雜度爲O（n^2 * m）或O（m^2 * n），其中n是行數，m是輸入矩陣M中的列數。它取決於哪一個最大。
值得一提的是，SVD將爲您提供最佳解決方案，如果您的住房損失較小（由frobenius norm計算），您可能需要考慮使用CUR algorithm。它將擴展到O（n * m）的較大數據集。
U = CUR^T
當C和R是現在稀疏矩陣。
如果你想看一個python實現，看看pymf。但是，由於看起來確實需要小心，現在有一個open issue的實現。